一种基于非深度迁移学习的情绪解码方法

本发明涉及脑电解码，尤其涉及一种基于非深度迁移学习的情绪解码方法。

背景技术：

1、情绪作为人的一种生理与心理状态，蕴含着性格喜好、身心状态等诸多价值的信息。人自身具有特定的情绪调节机制，会对外界的刺激产生不同的情绪响应。当人体的情绪调节机制失衡时，会产生不同与往常的情绪波动和反应，从而引起相关的情绪障碍。

2、脑电(electroencephalogram，eeg)信号在情绪解码和调控技术中有着广泛的应用，但脑电信号具有非平稳特性和个体差异性，使得同一受试者在不同时段下或不同个体之间的脑电信号分布存在较大的差异，传统的机器学习方法对数据的独立同分布有一定的要求，造成了情绪识别模型在不同个体之间的泛化性差，难以跨个体共享，存在对于新的个体的模型性能大幅降低，泛化能力不足等问题。从而难以获得具有普适性的模型，不利于新个体的推广和应用。另一方面，脑电信号因其信噪比低，一般仅有数百到数千个样本。传统的机器学习方法依赖于海量的数据和标签，但由于缺乏有效的标注数据，往往成本较高、时间较长，难以实现大规模的建模。

3、深度学习网络在情绪识别任务中取得了较好的效果，但它们也存在一定的缺陷。其一，神经网络训练需要大量的训练样本及其标签支撑，而脑电信号因其信噪比低，一般仅有数百到数千个样本。样本不足会限制情绪识别准确率，样本数量过小容易导致网络过拟合而导致泛化能力下降。其二，现有算法在很大程度上依赖于大量有精准标签的源域数据，如果源域个体的标签中存在有明显噪声，那么其识别性能将会有明显下降，且需获取足够多的标记样本，对其进行训练，不仅成本高而且花费时间长。其三，神经网络存在计算复杂度高、计算量过大、训练算法复杂、训练速度慢等问题，十分依赖于高端的硬件设施，不利于情绪识别算法在现实生活中的应用和推广。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于非深度迁移学习的情绪解码方法，以克服现有的脑电情绪识别领域中的个体差异性问题及因深度学习神经网络需大量的训练样本而脑电信号的样本不足导致的限制情绪识别准确率的问题。

2、为解决上述技术问题，本发明的目的是通过以下技术方案实现的：提供一种基于非深度迁移学习的情绪解码方法，包括以下步骤：特征变换：将特征从原始空间变换至流形空间中，获得流形特征，其中，特征为根据脑电信号提取获得的脑电微分熵特征；动态分布对齐：动态评估边缘分布和条件分布的重要性，采用自适应分布适配衡量源域和目标域之间的差异，循环迭代，更新目标域的软标签，进行源域和目标域的动态分布对齐；情绪分类器学习：根据源域上的结构风险最小化结合源域和目标域的动态分布对齐进行情绪分类器学习；集成学习：对更新后的目标域的软标签进行集成学习，获得最终目标域标签。

3、本发明的有益技术效果在于：本发明的基于非深度迁移学习的情绪解码方法通过将特征从原始空间变换至流形空间中，获得流形特征，并动态评估边缘分布和条件分布的重要性，循环迭代，更新目标域的软标签，进行源域和目标域的动态分布对齐，根据源域上的结构风险最小化结合源域和目标域的动态分布对齐进行情绪分类器学习，对更新后的目标域的软标签进行集成学习，获得最终目标域标签，实现以采用非深度迁移学习方法进行情绪解码识别，不仅可以利用传统学习模型所依赖的常规技术和策略，而且可以将有用的信息资源从源域的训练数据迁移到目标领域的测试数据，从而有利于分类，克服现有的情绪识别领域中的个体差异性问题，而且，采用非深度学习的模型，使得计算复杂度较低，模型轻量，无需大量的训练样本，避免脑电信号的样本少导致的限制情绪识别准确率的问题，使得在情绪识别任务上的准确度较好，模型泛化性好，对硬件要求较低，利于在现实生活中进行推广和应用。

技术特征：

1.一种基于非深度迁移学习的情绪解码方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述特征变换的步骤具体为：

3.根据权利要求2所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述特征变换的步骤具体包括：

4.根据权利要求1所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述动态分布对齐的步骤中的所述动态评估边缘分布和条件分布的重要性的步骤为：

5.根据权利要求4所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述动态分布对齐的步骤中的所述采用自适应分布适配衡量源域和目标域之间的差异中的所述自适应分布适配根据以下公式计算获得：

6.根据权利要求5所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述动态分布对齐的步骤中的所述循环迭代，更新目标域的软标签的步骤包括：

7.根据权利要求6所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述情绪分类器学习的步骤包括：

8.根据权利要求7所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述源域上的结构风险最小化采用以下公式计算获得：

9.根据权利要求1所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述集成学习的步骤具体为：

10.根据权利要求9所述的基于非深度迁移学习的情绪解码方法，其特征在于，所述采用linkclue集成算法对更新后的目标域的软标签进行集成学习的步骤包括：

技术总结
本发明公开一种基于非深度迁移学习的情绪解码方法，包括：将特征从原始空间变换至流形空间中，获得流形特征；动态评估边缘分布和条件分布的重要性，采用自适应分布适配衡量源域和目标域之间的差异，循环迭代，更新目标域的软标签，进行源域和目标域的动态分布对齐；根据源域上的结构风险最小化结合源域和目标域的动态分布对齐进行情绪分类器学习；对更新后的目标域的软标签进行集成学习，获得最终目标域标签。本发明的基于非深度迁移学习的情绪解码方法采用非深度迁移学习方法进行情绪解码识别，可利用传统学习模型所依赖的常规技术和策略，且将有用的信息资源从源域的训练数据迁移到目标领域的测试数据，有利于分类，克服个体差异性问题。

技术研发人员：梁臻,罗婷,黄淦,张力,李琳玲
受保护的技术使用者：深圳大学
技术研发日：
技术公布日：2024/3/27